Greg Williams, NYU Langone Health tərəfindən

Stephanie Baum tərəfindən redaktə edilib , Andrew Zinin tərəfindən nəzərdən keçirilib

 Redaktorların qeydləri

 GIST

Tercih edilən mənbə kimi əlavə edin

Model qavrayış öyrənmə effektini göstərir və insan öyrənmə nəticələrini proqnozlaşdırır. Mənbə: Nature Communications (2026). DOI: 10.1038/s41467-026-68711-x

Onilliklər ərzində aparılan tədqiqatlara baxmayaraq, insanın dünyanı necə qavradığını dəyişdirən sürətli qavrayış mexanizmləri və ya “birdəfəlik öyrənmə” naməlum olaraq qalmışdır. Birdəfəlik öyrənmənin sirli bir növü qavrayış öyrənməsidir ki, burada bir şeyi bir dəfə görmək onu yenidən tanımaq qabiliyyətimizi kəskin şəkildə dəyişdirir.

İndi NYU Langone Health-in tədqiqatçıları tərəfindən aparılan yeni bir araşdırma, əcdadlarımızın təhdidlərdən qaçınmasına imkan verən ilkin qabiliyyət olan bulanıq bir obyekti ilk dəfə tanıdığımız anları araşdırır.

Nature Communications jurnalında dərc olunan yeni əsərdə ilk dəfə olaraq beyin bölgəsi yüksək səviyyəli vizual korteksə (HLVC) deyilir və keçmişdə görülən və saxlanılan “prior” təsvirlərinə daxil olmaq və tək tərəfli qavrayış öyrənməsini təmin etmək üçün istifadə olunur.

“İşimiz yalnız priorların harada saxlanıldığını deyil, həm də beyin hesablamalarını ortaya qoydu”, – deyə tədqiqatın həmmüəllifi, fəlsəfə doktoru, NYU Qrossman Tibb Məktəbinin Nevrologiya, Neyrologiya və Radiologiya kafedralarının dosenti Biyu He bildirib.

Əhəmiyyətli olan odur ki, keçmiş tədqiqatlar şizofreniya və Parkinson xəstəliyi olan xəstələrdə anormal birdəfəlik öyrənmə olduğunu, əvvəllər yadda saxlanılan ön qavrayışların insanın hazırda baxdığı şeyləri üstələdiyini və halüsinasiyalar yaratdığını göstərmişdi.

“Bu tədqiqat, halüsinasiyalar zamanı priorların necə hərəkət etdiyinə dair birbaşa sınaqdan keçirilə bilən bir nəzəriyyə ortaya qoydu və hazırda nəyin səhv getdiyini aşkar etmək üçün nevroloji xəstəlikləri olan xəstələrdə əlaqəli beyin mexanizmlərini araşdırırıq”, – deyə Dr. He əlavə etdi.

Tədqiqat qrupu həmçinin vizual qavrayışın arxasındakı beyin mexanizmləri ilə yeni bir ideyanı anladığımız zaman daha çox bilinən “aha anı” arasında ehtimal olunan əlaqələri araşdırır.

Daha kəskin görüntü

Tədqiqat üçün Dr. He-nin komandası insanlara Muni şəkilləri – heyvanların və əşyaların solğun şəkilləri göstərildikdə beyin fəaliyyətində baş verən dəyişiklikləri araşdırdı. Xüsusilə, tədqiqat iştirakçılarına eyni obyektin bulanıq şəkilləri və sonra aydın bir versiya göstərilir. Dr. He-nin bu prosesin 2018-ci ildə apardığı tədqiqatında , aydın versiyanı gördükdən (və birdəfəlik öyrənmə təcrübəsindən) sonra, subyektlər şəkilləri tanımaqda ikiqat yaxşılaşdılar, çünki təcrübə onları yadda saxlanılan preoriyalardan istifadə etməyə məcbur etdi.

Tədqiqatçılar, aktiv hüceyrələrə qan axını izləməklə beyin hüceyrələrinin fəaliyyətini ölçən funksional maqnit rezonans görüntüləməsindən (fMRI) istifadə edərək əvvəlki müdaxilə zamanı beyin fəaliyyətinin “şəkillərini çəkiblər”. Lakin sinir yolları boyunca siqnal gücü (plastiklik) beyin hüceyrələri arasındakı struktur boşluqlarda (sinapslarda) incə tənzimlənir və fMRI yalnız hüceyrələr daxilində fəaliyyəti ölçə bilər.

Bu səbəbdən, tədqiqatçılar HLVC-də prioritetləri müəyyən etmək üçün fMRI-ni Mooney şəkillərindən, elektroensefaloqrafiya (EEG) beyin qeydlərindən və süni intellekt forması olan maşın öyrənməsinə əsaslanan modeldən istifadə edərək davranış testləri ilə birləşdirdilər.

Tək tərəfli qavrayış öyrənməsinin yerini tapmaq üçün tədqiqat qrupu əvvəlcə görüntü tanıma prosesini yaxşılaşdırdıqca siqnal dəyişikliklərində hansı növ məlumatın kodlandığını müəyyən etdi. Bunu etmək üçün qrup şəkillərin ölçüsünü, səhifədəki yerini və istiqamətini (onları fırlatmaqla) dəyişdirdi və hər dəyişikliyin görüntü tanıma sürətinə təsirini qeyd etdi.

Bu davranış tədqiqatı göstərdi ki, təsvir ölçüsündəki dəyişikliklər birdəfəlik öyrənməyə təsir etmir, təsviri fırlatmaq və ya onun yerini dəyişdirmək isə öyrənməni qismən azaldır. Nəticələr göstərir ki, qavrayış preoriyaları əvvəllər görülən nümunələri kodlaşdırır, daha mücərrəd anlayışları (məsələn, təsvirdəki it cinsi) kodlaşdırmır.

Daha sonra komanda əvvəlki giriş zamanı fMRI vasitəsilə beyin hüceyrələrinin aktivlik nümunələrini qeydə alan statistik modellər yaratdı və yalnız yüksək səviyyəli vizual korteksdəki məlum neyron kodlaşdırma nümunələrinin davranış tədqiqatının aşkar etdiyi priorların xüsusiyyətlərinə uyğun gəldiyini müəyyən etdi. Müəlliflər həmçinin neyrocərrahi müalicə zamanı artıq iEEG monitorinqindən keçən xəstələrdən qısa qavrayış tapşırığı yerinə yetirmələrini istəyərək kəllədaxili elektroensefaloqrafiya (EEG) istifadə edərək aktivlik dəyişikliklərinin zamanlama xüsusiyyətlərini araşdırdılar.

iEEG, fMRI-nin ölçə bilmədiyi sürətlə dəyişən siqnal modellərini ölçmək üçün beyin toxumasındakı elektrodlardan oxunuşlar toplayır. HLVC, əvvəlcədən idarə olunan obyekt tanıma baş verdiyi zaman ən erkən neyron siqnal gücü dəyişikliklərini göstərdi.

Son addım olaraq, tədqiqat qrupu görüntü hissələrində naxışlar tapan və ehtimallara əsasən çatışmayanları dolduran süni intellekt modeli olan bir görmə transformatoru qurdu.

HLVC-nin gözlərdən gələn məlumata əvvəlki ağırlıq əlavə etdiyi aşkar edildiyi kimi, süni intellekt modeli toplanmış görüntü məlumatlarını (əvvəlki məlumatlar) bir modulda saxlamış və sonra saxlanılan məlumatlardan başqa bir modulda daxil olan görüntü məlumatlarını daha yaxşı tanımaq üçün istifadə etmişdir. Kifayət qədər görüntü üzərində təlim keçildikdən sonra neyron şəbəkə modeli insanlarda müşahidə edilənə bənzər birdəfəlik öyrənmə qabiliyyətinə və müqayisə edilə bilən əvvəlki modulu olmayan digər aparıcı süni intellekt modellərindən daha yaxşı nəticəyə nail olmuşdur.

“Son on ildə süni intellekt obyekt tanıma sahəsində böyük irəliləyişlər əldə etsə də, hələlik heç bir vasitə insanlar kimi birdəfəlik öyrənməyə qadir olmayıb”, – deyə NYU Langone-da Neyrocərrahiyyə və Radiologiya kafedrasının dosenti, tibb elmləri doktoru Erik Oermann əlavə edib. “İndi yeni obyektləri təsnif edən və ya təlim nümunələri az və ya heç olmayan yeni tapşırıqları öyrənən insana bənzər qavrayış mexanizmlərinə malik süni intellekt modellərinin inkişafını gözləyirik. Bu, hesablama nevrologiyası ilə süni intellektdəki irəliləyişlər arasında artan yaxınlaşmanın daha bir sübutudur.”

Nəşr detalları

Ayaka Hachisuka və digərləri, İnsanlarda birdəfəlik qavrayış öyrənməsinin əsasını təşkil edən neyron və hesablama mexanizmləri, Nature Communications (2026). DOI: 10.1038/s41467-026-68711-x

Jurnal məlumatları: Nature Communications 

Əsas tibbi anlayışlar

Funksional MRTElektroensefaloqrafiya

Klinik kateqoriyalar

NevrologiyaNYU Langone Health tərəfindən təmin edilir